人工智能的三大学派
二、连接主义学派
连接主义，又称仿生学派或生理学派，是一种基于神经网络和网络间的连接机制与学习算法的智能模拟方法。连接主义强调智能活动是由大量简单单元通过复杂连接后，并行运行的结果，基本思想是，既然生物智能是由神经网络产生的，那就通过人工方式构造神经网络，再训练人工神经网络产生智能。1943年形式化神经元模型（M-P模型）被提出，从此开启了连接主义学派起伏不平的发展之路。1957年感知器被发明，之后连接主义学派一度沉寂。1982年霍普菲尔德网络、1985年受限玻尔兹曼机、1986多层感知器被陆续发明，1986年反向传播法解决了多层感知器的训练问题，1987年卷积神经网络开始被用于语音识别。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下基础。1989年反向传播和神经网络被用于识别银行手写支票的数字，首次实现了人工神经网络的商业化应用。
与符号主义学派强调对人类逻辑推理的模拟不同，连接主义学派强调对人类大脑的直接模拟。如果说神经网络模型是对大脑结构和机制的模拟，那么连接主义的各种机器学习方法就是对大脑学习和训练机制的模拟。学习和训练是需要有内容的，数据就是机器学习、训练的内容。
连接主义学派可谓是生逢其时，在其深度学习理论取得了系列的突破后，人类进入互联网和大数据的时代。互联网产生了大量的数据，包括海量行为数据、图像数据、内容文本数据等。这些数据分别为智能推荐、图像处理、自然语言处理技术发展做出卓著的贡献。当然，仅有数据也不够，2004年后大数据技术框架的行成和图形处理器（GPU）发展使得深度学习所需要的算力得到满足。
在人工智能的算法、算力、数据三要素齐备后，连接主义学派就开始大放光彩了。2009年多层神经网络在语音识别方面取得了重大突破，2011年苹果工作将Siri整合到iPhone4中，2012年谷歌研发的无人驾驶汽车开始路测，2016年DeepMind击败围棋冠军李世石，2018年DeepMind的Alphafold破解了出现了50年之久的蛋白质分子折叠问题。
近年来，连接主义学派在人工智能领域取得了辉煌成绩，以至于现在业界大佬所谈论的人工智能基本上都是指连接主义学派的技术，相对而言，符号主义被称作传统的人工智能。
虽然连接主义在当下如此强势，但可能阻碍它未来发展的隐患已悄然浮现。连接主义以仿生学为基础，但现在的发展严重受到了脑科学的制约。虽然以连接主义为基础的AI应用规模在不断壮大，但其理论基础依旧是上世纪80年代创立的深度神经网络算法，这主要是由于人类对于大脑的认知依旧停留在神经元这一层次。正因如此，目前也不明确什么样的网络能够产生预期的智能水准，因此大量的探索最终失败。
三、行为主义学派
行为主义，又称进化主义或控制论学派，是一种基于“感知——行动”的行为智能模拟方法，思想来源是进化论和控制论。其原理为控制论以及感知——动作型控制系统。该学派认为：智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理，不同的行为表现出不同的功能和不同的控制结构。生物智能是自然进化的产物，生物通过与环境及其他生物之间的相互作用，从而发展出越来越强的智能，人工智能也可以沿这个途径发展。
行为主义对传统人工智能进行了批评和否定，提出了无须知识表示和无须推理的智能行为观点。相比于智能是什么，行为主义对如何实现智能行为更感兴趣。在行为主义者眼中，只要机器能够具有和智能生物相同的表现，那它就是智能的。
这一学派的代表作首推六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。另外，著名的研究成果还有波士顿动力机器人和波士顿大狗。你可以在网上搜到它们各种炫酷的视频，包括完成体操动作，踹都踹不倒，稳定性、移动性、灵活性都极具亮点。他们的智慧并非来源于自上而下的大脑控制中枢，而是来源于自下而上的肢体与环境的互动。
行为主义学派在诞生之初就具有很强的目的性，这也导致它的优劣都很明显。其主要优势便在于行为主义重视结果，或者说机器自身的表现，实用性很强。行为主义在攻克一个难点后就能迅速将其投入实际应用。例如机器学会躲避障碍，就可应用于星际无人探险车和扫地机器人等等。不过也许正是因为过于重视表现形式，行为主义侧重于应用技术的发展，无法如同其他两个学派一般，在某个重要理论获得突破后，迎来爆发式增长。这或许也是行为主义无法与连接主义抗衡的主要原因之一。
四、总结
综上所述，我们可以简略地认为符号主义研究抽象思维，连接主义研究形象思维，而行为主义研究感知思维。符号主义注重数学可解释性；连接主义偏向于仿人脑模型；行为主义偏向于应用和身体模拟。
从共同性方面来说，算法、算力和数据是人工智能的三大核心要素，无论哪个学派，这三者都是其创造价值和取得成功的必备条件。行为主义有一个显著不同点是它有一个智能的“载体”，比如上文所说到的“机器狗”的身体，而符号主义和连接主义则无类似“载体”（当然你也可以认为其“载体”就是计算机，只不过计算机不能感知环境）。
人类具有智能不仅仅是因为人有大脑，并且能够保持持续学习。机器要想更“智能”，也需要不断学习。符号主义靠人工赋予机器智能，连接主义是靠机器自行习得智能，行为主义在与环境的作用和反馈中获得智能。连接主义和行为主义都使用强化学习方法进行训练。三者之间的长处与短板都很明显，意味着彼此之间可以扬长补短，共同合作创造更强大的强大的人工智能。比如说将连接主义的“大脑”安装在行为主义的“身体”上，使机器人不但能够对环境做出本能的反应，还能够思考和推理。再比如，是否用可以符号主义的方法将人类的智能尽可能地赋予机器，再按连接主义的学习方法进行训练？这也许可以缩短获得更强机器智能的时间。
相信随着人工智能研究的不断深入，这三大学派会融合贯通，可共同为人工智能的实际应用发挥作用，也会为人工智能的理论找到最终答案。
左小波先生，自92年进入IT行业，一直从事着信息系统的研发及企业IT管理工作，在行业多年的浸润下，积累了丰富的数字化建设经验，形成了独到见解。对人工智能有着浓厚的兴趣，时刻对人工智能技术保持观察、学习、思考、分享
客户案例（部分）返回搜狐，查看更多
人工智能三大主要学派：符号主义、连接主义、行为主义
人工智能的发展，在不同的时间阶段经历了不同的流派，并且相互之间盛衰有别。目前人工智能的主要学派有下列三家：
符号主义(symbolicism)，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统，即符号操作系统，假设和有限合理性原理。
连接主义(connectionism)，又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。
行为主义(actionism)，又称为进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。
会发现三者的根源依据存在着较大的差异性，也为后世的学派发展产生了较为深远的影响。
符号主义（优秀的老式人工智能）
认为人工智能源于数理逻辑，主张用公理和逻辑体系搭建一套人工智能系统。代表的有支持向量机（SVM），长短期记忆（LSTM）算法。
数理逻辑从19世纪末起得以迅速发展，到20世纪30年代开始用于描述智能行为。计算机出现后，又在计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序LT逻辑理论家，它证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。
正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法>专家系统>知识工程理论与技术，并在20世纪80年代取得很大发展。
符号主义曾长期一枝独秀，为人工智能的发展作出重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流派别。
优点：越来越多的人认识到，高风险决策领域对人工智能系统有需求，因此这些系统的行为要有可验证性与可解释性，而这恰恰是符号主义AI的优势，联结主义算法的短板。
不足：虽然符号主义AI技术可以处理部分不可观察概率模型，但这些技术并不适用于有噪输入信号，也不适用于无法精确建模的场合。在那些可以准确判断出特定条件下特定动作利弊与否的场合中，它们会更有效。此外，算法系统还要提供适当的机制来实现清晰的规则编码与规则执行。
符号主义算法会剔除不符合特定模型的备选值，并能对符合所有约束条件的所求值做出验证，以后者而言，符号主义AI远比联结主义AI便捷。因为符号主义AI几乎或根本不包括算法训练，所以这个模型是动态的，能根据需要迅速调整
连接主义（壮年最普遍的人工智能）
认为人工智能源于仿生学，神经网络，特别是对人脑模型的研究,主张模仿人类的神经元，用神经网络的连接机制实现人工智能。
它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。
它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。
直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播(BP)算法。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，伟神经网络计算机走向市场打下基础。
现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。
行为主义
行为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)等人提出的控制论，和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。
控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。
到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。
这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。
总结
三大主义，从不同的侧面研究了人的自然智能，与人脑的思维模型有着对应的关系。粗略地划分，可以认为
符号主义研究抽象思维；
连接主义研究形象思维；
而行为主义研究感知思维。
研究人工智能的三大学派、三条途径发挥到各个领域，又各有所长。
符号主义注重数学可解释性；
连接主义偏向于仿人脑模型，更加感谢；
行为主义偏向于应用和模拟。
人工智能的范式难题及大数据思维进路
图片来源：网络
大数据分层模拟范式弥补了传统人工智能符号主义范式的缺陷大数据分层模拟范式遵循了由繁到简的原则，改变了以往范式对大脑整体功能的模拟进路，从不同层次针对大脑的不同区域展开分区模拟，进而弥补了传统人工智能符号主义范式的缺陷。我们知道，符号主义在人工智能的研究过程中，其符号化特征彰显出了人工智能的形式化推演路径。其中的二进制代码、字符串和逻辑运算关系，都是人们提前设计好的。因此，它只能模拟人的理性化思维，比如打败世界围棋冠军韩国棋手李世石的人工智能机器人“AlphaGo”。但对于人的非理性化思维，比如感性认知，是缺乏层次性的，是无法用信念代码或者计算机系统的拓扑结构来加以明确界定的。为此，从大数据分层模拟范式的角度来看，人类的思维过程与机器存在着极大的差异。
首先，人类大脑分为功能不同的左右半脑，并且两个半脑又包含不同的功能区域，这样一来，针对不同区域生成的不同数据来展开模拟研究就可以有效地模拟大脑的整体功能；
其次，人类意识的不同层次也会生成不同层次的数据，比如作为人类意识最高层次的文化层，包括科学、艺术等，它们通过语言数据和图像数据来呈现；人类意识的第二层是心理层次，这一层次的数据主要包括人的感情、动机等，它们通过图像、记忆数据来呈现；人类意识的最低层次便是生理层，这一层次的数据通过生物电来呈现。
大数据分层模拟范式针对人类意识领域不同层次的呈现机制进行分类模拟，并设计出相关程序以对它们之间的相互关系和先后顺序进行科学有效的模拟。此外，大数据分层范式带来的另一个好处便是节省了数据运行的空间，避免了以往联结主义范式因对大脑的整体模拟而带来的指数爆炸问题。
图片来源：网络
大数据演化模拟范式也为人工智能的发展研究提供了创造性的理论预设那什么是演化模拟范式呢？在认知哲学问题中，存在和演化是一组对立词，存在意味着世界的静态性、线性与简单性，而演化正好相反，它意味着世界的动态性、非线性与复杂性。大数据演化模拟范式恰恰体现了演化的认知思维特征，具体来看：首先，大数据演化模拟范式在人工智能中的应用体现在它的非线性方面——在大数据分析技术的实际应用过程中，数据的输出与输入是不成比例的，输出的整体结果不再是部分的简单相加，而是可能出现“非线性叠加”的增长与损耗。这种范式如果应用到人工智能中，某种程度上会增强程序运行的动态性、能动性，而不再只是简单地表现为一种机械的输入和输出操作过程。在这里，各个数据之间是全互连的，其函数由S形函数（Sigmoid）代替了门限函数，即：
S型函数可以用下式描述：
不难看出，S型函数满足了数据非线性分类处理的规则和需要，进而为模拟复杂的人类智能打开了大门；其次，大数据分析的演化模式范式还表现在它的分布性方面。早期的人工智能范式往往受一个统一命令的指挥，有一个集中发布命令的CPU，在进行数据处理时，会对数据进行集中储存，这是一种基于数据处理的串行的非分布系统。相对而言，大数据演化模拟范式则具有多个发布命令的系统，所以是分布式的。在这里，数据的分布储存就存储处理合二为一，其系统数据存储在信息网络之中，这个系统的定义式为：
大数据演化模拟范式实际上是一个使数据极小化的过程，每次系统的改变，整体的数据都会因为筛选而有所下降，在这其中每个系统数据的表达式为：
因此，大数据演化模拟范式在具体的运营结构中表现出良好的容错性，在此基础上可实现联想学习而且速度很快。此外，在整体的系统分析中，从宏观层面看数据处理是有序的，但在微观层次上数据的处理确实随机的，每组数据都是一个智能的独立要素，相互竞争、相互协调，从而使得整个人工智能系统能够自我学习、自我适应以及自我组织，进而达到统一协调、智能模拟的效果。例如，大数据技术Hebb规则中的应用，便充分体现了进化范式的分布性、随机性自学习与联想性的特点。具体来看，人类在观察和认知世界的过程中，在一定程度上会先根据事物的统计特征进行分类，而大数据技术在利用Hebb学习规则时，同样把输入信息按照一定的分布规则划分为若干部分，并在此基础上利用网络提取训练集的统计特性，将有用的信息联系起来，从而能够更加全面地达到学习的效果——大数据思维的这一特性在应用于人工智能开发的过程中，可以借鉴人类神经元连接之间激活水平改变权值的方法启示，进而达到“相关学习”或“关联学习”的效果。
图片来源：网络
总之，大数据分析的分层模拟范式从结构上改变了传统人工智能范式对大脑功能的整体模拟，运用分区、分层的新范式来展开对人类智能的模拟，增加了模拟的针对性和有效性；而大数据的演化模拟范式更是从具体过程上，创造性地提出动态的、非线性的与分布性的模拟新范式，从而使得整个模拟过程更加灵活、协调和有序。由大数据分析技术抽象而出的这两种范式与传统的人工智能三大范式相互补充、并行发展，为人工智能提供了合理、丰富的理论基础与实践规范。
返回搜狐，查看更多
人工智能符号学：智域与意义世界的边界
人工智能符号学：智域与意义世界的边界
主持人：胡易容、陈振鹏、杜杨玲、陈翰衢
一种学术范式的价值，不仅取决于其辉煌历史，更取决于这门范式对于当代重要问题的解释力和对未来的启示。这并不是对时髦的浅表迎合，而是对时代大问题的核心回应。回看学术的历史，从文艺复兴到启蒙运动，每一次根本性学术进步都与社会大变革息息相关。在马克思和恩格斯那个年代，他们一边实际指导、参与社会运动甚至战斗，一边写出了关于人类社会进步的鸿篇巨制，这些作品至今影响并指导着世界上人口最大国家的发展道路。“无用”的学术和“有用”的问题从来不矛盾，也从来交相辉映。
符号学以结构主义的名义兴起的年代，它不仅构成了语言符号的理论框架，也成为了最具有学科穿透性的思潮，无论是自然科学领域的系统论、信息论、控制论，还是人文、社会领域的基本思路都受此影响。如果把结构主义思潮作为符号学的一个鼎盛时期，今天的符号学可能正在寻求一个后结构主义、后语言学时代的新的路径。这个新的路径必然伴随着今天的社会宏大问题与意义追索的解答。其中，人工智能的第三波浪潮及当今总体技术的爆发，是可能导致人类与自然、人与物质的意义关系的重大变革的原因之一。
符号学与人工智能的关系渊源深厚。符号学的分支在向数理化、计算化发展中成为认知学的重要源头，也是今天人们提及的人工智能历史上的“符号主义”。尽管逻辑符号主义已经过时，但无可否认的是，上世纪的认知科学发展，以及七八十年代的人工智能热影响了一批符号学家。他们将人类符号处理过程与动物、机器相类比，并结合跨学科知识以图突破心智之谜。此后，符号主义随着上世纪人工智能进入了低谷而成为“过时”的观念，但符号学与逻辑哲学的关联和影响却持续至今。二十世纪90年代后，得益于计算、神经科学的突破，人工智能重新以前所未有的速度扑面而来，而且这一轮直接影响到当今时代的每一个领域：从经济到社会、从伦理到科学，大至国家战略，小到个人就业。图灵时代的测试和早期的中文屋对于今天的人工智能已不是一道不可逾越的壁垒。问题在于，对于今天的符号学来说，新一轮的人工智能意味着什么？这个问题不仅仅是技术层面的，更是文化和价值层面的。
对于今天的文化符号研究者来说，我们能做何种工作？坦白地说，我们还难以确切地回答，但有一点异常明确的是，人工智能在全面渗入人类生活的方方面面时，其涉及的意义问题是亟待回答的。人的主体性和价值尊严是所有人文学者千百年来不断追问并试图建构的对象。在某种意义上讲，从柏拉图到康德、黑格尔、叔本华，再到卡西尔都是在做同一工作。只不过，今天符号学者在以“符号”来为人的主体性作注时，是否还能如卡西尔那般自信地得出相同的结论——人还是唯一的符号动物吗？西比奥克和其他发展出动物符号学的学者，小心翼翼地将动物的各种表现纳入了一个可能探讨的“边缘”或过渡地带。然而，就在生物的符号性尚未完全达成共识的当今，技术文明完全未给理论以任何喘息机会，直接将问题转成了“非生命体是否可能具有符号主体性？”
能否回答“人工智能”引发的理论问题，将是当今文化符号学自证的最有力方式之一。而所有的这些问题，在符号学视域最集中的碰撞是“意义及其交流”。本期专题所选的篇目，正是从“符号意义”的角度，审视人工智能发展引发的人类自身的主体性意义确证的探讨：
在学科及其基础理论层面，苟志效从AI符号学学科自身出发，强调了人工智能与人类智能在符号识别上的差异性，论证了AI符号学学科存在的合理性与价值性。赵毅衡从“元符号升级”的角度抛出了人工智能的“元问题”，认为未来如果人工智能获得了人类特有的元符号“无限升级”能力，人类将面临自身的意义方式、元符号方式都只能臣服于电脑的超高效率元符号化文化的巨大危机。另一篇论文中，他在对比讨论皮尔斯“真知目的论”与维纳“反馈目的论”的基础上，明确符号学的基础是一种“真知目的论”，传播必须以真知为运动目的。蒋晓丽从技术哲学视角、技术与符号互动层面从海德格尔思想切入，探讨了人工智能时代“人-技术”关系这一技术哲学的基本命题，认为人与技术不再是简单的、线性的对抗，而是融合了“互构”与“互驯”，并在二者基础上不断衍生的复杂博弈。在符号认知与机器情感方面，路卫华从认知科学的角度，回应了人工智能中对符号含义的争议问题，他认为符号的含义是源于认知主体对符号系统本身的理解与想象。徐英瑾从具身性和认知语言学的角度探讨了人工智能伦理学的研究现状及缺失，主张人工智能伦理学的核心不仅关涉“心智”的设计，还应包括对人工智能体的“身体”的设计规范，“身体图式”在伦理编码进程中应起到基础性作用。谭光辉从智能中情感、心智、认知提出人工智能“可能情感”的可能性以及数字技术和人文学科交叉合作的新动向。视觉认知是机器学习的一个重点拓展方向。徐英瑾以维特根斯坦关于视觉问题的核心论点“感知-语义连续论”为出发点，探讨了“机器视觉”的视觉模块处理输入信息的组织原则，认为高层语义知识有着在必要时干预低层感官运作的“特权”，为机器视觉的研究提供了一条可能的思路；胡易容、杨登翔从视觉透视符码的科学逻辑与人文经验角度，回应了人工智能主体的局限性，并提出了机器并迄今尚未发展出“自在自为”的主体性。人工智能与传播符号学的历史关联方面，陈振鹏全面梳理了有关人工智能思想谱系的发展脉络，对人工智能概念的哲学内涵与相关哲学争论作了初步探讨。杜杨玲重点从符号逻辑延伸到认知体验层面阐释了智能传播运作的历史、现状与趋势。韩永进着重研究了技术与符号的互动关系, 对技术的符号本质、结构、发展模式追本溯源。从当前人工智能的符号交互与应用前景的探讨入手，陈曦受皮尔士符号学启发，提出了“人类思维再造性”以及“人机分野”等观点，并将其视为指导人工智能未来发展的基本准则。薛雅月、汪莉从符号互动主义出发，探讨AI 符号下运用社交软件互动的变化。陈炳宇还透过符号学视角，详细阐明了新闻写作机器人所存在的图文符号机械依存、语句符号独立僵硬和符号意义指代不明等问题。特别说明：人工智能作为当今“后人类”发展迹象的大问题，本专题的收录难免挂一漏万，但这一努力并不会就此停止。本工作小组目前正在选编一组同名文集——《智域与意义世界：人工智能的符号学观察》，请各位专家老师推荐、自荐大作。可以是此前发表的相关论文，也可以是未发表的新论。联系人：陈振鹏（13668813893@163.com）。
附录：
1.赵毅衡，《元符号升级》
2.赵毅衡，皮尔斯“真知目的论”与维纳“反馈目的论”
3.蒋晓丽、贾瑞琪，论人工智能时代技术与人的互构与互驯——基于海德格尔技术哲学观的考察
4.徐英瑾，具身性、认知语言学与人工智能伦理学
5.徐英瑾，维特根斯坦的“感知—语义连续论”和机器视觉研究
6.胡易容、杨登翔，视觉透视符码的科学逻辑与人文经验——兼论人工智能的知觉局限
7.谭光辉，“可能情感”的可能性与“数字人文”研究的新动向
8. 杜杨玲，从符号逻辑到认知体验:智能传播系统化运作的历史、现状与趋势
9. 陈振鹏，人工智能思想谱系及其与文化传播融合的前景思考
10. 陈炳宇，符号学视角下对机器新闻写作的批判性解读—以今日头条“Xiaomingbot”为例
11. 路卫华，人工智能中对符号含义的争论
12. 苟志效，论AI符号学的认识论问题
13. 薛雅月、汪莉，AI技术在腾讯社交软件中运用的符号互动分析
14. 陈曦，皮尔士符号学及其对人工智能发展的启示
15. 韩永进，技术的符号意义问题研究
到学术论坛讨论 好文章总是百读不厌，赶紧收藏分享吧！相关文章旅游活动的符号叙述学研究 2021-10-05约翰·哈芬登著《威廉·燕卜荪传》第一卷出版 2021-10-13四川大学符号学-传媒学研究所召开迎新会议 2021-10-14我院英文国际刊物Signs&Media编辑委员会核心成员与国际知名出版社Brill负责人开展工作会谈 2021-10-15新丝路文化传播高峰论坛暨语言符号学国际学术研讨会 2021-10-15第十六届中国健康传播大会 2021-10-15